EHEIR：通过架构重新设计实现高效同态加密推理

《ACM Transactions on Internet Technology》：EHEIR: Efficient Homomorphic Encrypted Inference via Architectural Redesign

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解详情登录

摘要

摘要

在同态加密（HE）下进行加密推理对计算施加了严格的约束，使得深度学习网络直接在资源受限的边缘设备上部署变得不可行。现有方法如 FHEEDGE 和 UniHENN 主要通过算法和系统层面的优化来提升加密计算的效率。相比之下，我们采取了一种互补的视角，即重新设计神经网络架构以契合同态加密操作固有的成本模型。在本研究中，我们提出了一个框架，将同态加密感知的模型设计重新表述为一种受约束的神经网络架构搜索问题，其目标是找出在保持任务性能的同时，既满足密码学可行性又具备计算效率的架构。从预训练网络出发，我们执行了一个结构化的、迭代的变换过程，包括同态加密兼容的操作符替换、深度-宽度权衡以及旋转高效的设计策略，如连续平均池化。这些变换受到密文槽数、乘法深度和旋转复杂度的约束指导，并通过短期训练进行评估，以高效地探索架构空间。我们提供了理论分析，表明经过变换的网络在逐层 Lipschitz 传播下能以有界误差近似原始模型，从而确保性能下降在可控范围内。作为案例研究，我们将所提出的框架应用于结构健康监测中的加密裂纹检测。优化后的模型在加密域中实现单线程 CPU 推理的执行时间为 86.5 秒，而原始加密卷积流程估计需要 3.5 小时。此外，在树莓派上的部署展示了端到端加密推理在约 7.5 分钟内完成。这些结果表明，将架构层面的优化框定为受约束的搜索问题，可以补充现有的算法加速方法，并为在广泛的敏感 AI 工作负载上实现边缘设备上高效且隐私保护的推理提供了一条实用途径。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经论文作者撰写或审核。其提供旨在支持发现、帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要概述。完整文章仍为权威版本的正式记录。点击此处了解更多。

点击此处对此摘要的准确性、清晰性和实用性发表评论。这样做将有助于改进和未来的重新生成版本。

要查看此 AI 生成的简明摘要，您必须拥有高级访问权限。